Meta publie les poids de Muse Glimmer, un modèle de 30 milliards de paramètres taillé pour tourner en local
Meta a mis en ligne le 10 août les poids de Muse Glimmer sous licence Apache 2.0, assortis d'une politique d'usage qui, elle, restreint le terrain : elle interdit notamment de se servir du modèle pour exercer sans habilitation une profession juridique, financière ou médicale, et pour traiter des données personnelles sensibles sans y avoir droit. Le modèle compte 30 milliards de paramètres et vient de Meta Superintelligence Labs, qui le destine à des agents fonctionnant en permanence sur la machine de l'utilisateur. À pleine précision, il réclamerait plus de 55 gigaoctets de mémoire. La compression des poids à environ 4 bits ramène la partie langue sous 20 gigaoctets, mais il faut loger à côté, dans la même mémoire, le cache d'attention, l'encodeur d'images et le module de décodage accéléré : la cible annoncée est de 24 ou 32 gigaoctets de mémoire vidéo selon la variante. Meta chiffre le coût de cette compression à 1,0 % de précision perdue pour la version qui vise 24 gigaoctets et 0,2 % pour celle qui vise 32, en moyenne sur quinze tests de référence. Le modèle a été pré-entraîné par distillation à partir des sorties de Muse Spark, que l'entreprise garde fermé. Elle n'en chiffre nulle part l'écart — Muse Spark ne figure dans aucun tableau de résultats — mais s'en prévaut : c'est en étant déclaré globalement moins capable que son professeur que Muse Glimmer échappe à la catégorie des modèles « frontière » au sens du cadre interne de Meta. L'entreprise dit avoir tout de même évalué le modèle par prudence, mais sur ses trois axes de risque, seul le volet chimique et biologique a été mesuré : les niveaux cyber et perte de contrôle sont, écrit-elle, déduits de ceux de Muse Spark. Face à Gemma4-31B et Qwen3.6-27B, elle revendique de bons résultats pour sa catégorie de taille sur plusieurs bancs d'essai courants ; la formule est d'elle, et son propre tableau est partagé, Qwen3.6-27B la devançant sur SWE-Bench Verified, OSWorld et TerminalBench. Le même jour, Mark Zuckerberg a publié un texte intitulé « The Future is for Everyone », où il plaide pour une distribution large de la superintelligence plutôt que pour sa concentration et annonce que Meta va reprendre la publication de modèles ouverts — « quelques » modèles, dit-il, sans en préciser le nombre ni le calendrier.
Pourquoi c'est important
Un modèle qui tient dans 24 gigaoctets de mémoire vidéo déplace l'arbitrage d'une entreprise qui hésite à confier ses documents à un service en ligne étranger : le traitement reste sur la machine, sans facture à l'usage ni transfert hors du pays. Encore faut-il lire la politique d'usage jointe aux poids, qui écarte précisément les terrains où cet argument porte le plus, le conseil juridique, financier ou médical rendu sans habilitation et les données personnelles sensibles traitées sans droit. Reste la question du matériel. « Un seul processeur graphique grand public » désigne ici une carte haut de gamme, et aucune configuration cible ne descend sous 24 gigaoctets de mémoire vidéo : une machine de 12 ou 16 gigaoctets, qui relève pourtant du même rayon, ne fera pas tourner ce modèle.
Source : Meta AI Research
Faire tourner un modèle d'IA sur ses propres machines →OpenAI lance GPT-5.6-Cyber et nomme le palier d'accès le plus permissif de son programme Daybreak
OpenAI a élargi le 10 août son programme de cybersécurité Daybreak avec deux paliers d'accès et lancé un modèle dédié, GPT-5.6-Cyber. Le palier Blue donne aux défenseurs approuvés ses modèles généralistes, dont GPT-5.6 Sol, débarrassés de la couche de filtrage appliquée en production, un retrait que l'entreprise présente comme un ajustement au travail défensif autorisé. Le palier Red sert des modèles entraînés pour la recherche de vulnérabilités, la validation d'exploits et les tests de sécurité autorisés. GPT-5.6-Cyber, construit sur GPT-5.6 Sol et réservé à ce second palier, a été entraîné pour deux choses à la fois : mieux traiter certaines tâches spécialisées, dont la recherche de failles inédites et le développement de chaînes d'exploitation, et refuser moins souvent une partie des requêtes à double usage les plus sensibles. Sur une évaluation interne qu'elle a construite et baptisée Advanced Cybersecurity Completion Rate, l'entreprise mesure qu'il accepte de répondre à 95,0 % des demandes portant notamment sur ces chaînes d'exploitation, le contournement d'authentification ou l'élévation de privilèges, contre 1,5 % pour GPT-5.6 Sol dans sa configuration ordinaire, 2,0 % pour ce même modèle au palier Blue et 57,3 % pour GPT-5.5-Cyber, le modèle cyber de la génération précédente. OpenAI dit avoir lancé le nouveau venu sur V8, le moteur JavaScript de Chrome, et y avoir trouvé deux vulnérabilités inédites, chaînables pour corrompre la mémoire et sortir du bac à sable mémoire de V8, non de celui de Chrome. Google a corrigé la première le 16 juillet dans Chrome 150.0.7871.128, en créditant dès cette date OpenAI Codex Security ; ce que l'entreprise ajoute le 10 août, c'est que la trouvaille vient de GPT-5.6-Cyber et qu'une seconde faille, chaînable avec la première, existe — sans dire ce qu'il en est advenu. Elle fait état par ailleurs de trois lots de failles en cours de divulgation avec ses partenaires et la communauté du logiciel libre : au moins cinq dans un système d'exploitation mobile qu'elle ne nomme pas, trois critiques dans une base de données répandue et plus de 400 vulnérabilités pouvant mener à une élévation de privilèges dans le noyau d'un système d'exploitation répandu. Sous son Preparedness Framework, elle situe GPT-5.6-Cyber au niveau « High » en capacité cyber et sous le seuil « Critical », soit le même rang que GPT-5.6 Sol.
Pourquoi c'est important
L'accréditation seule ne suffit pas, et c'est la ligne qu'un prestataire marocain vendant des tests d'intrusion doit lire de près : au palier Blue, celui qu'OpenAI recommande à la plupart des défenseurs, le taux de réponse ne passe que de 1,5 % à 2,0 % sur cette évaluation. Les 95,0 % supposent le palier Red et le modèle dédié — un accès approuvé, comme au palier Blue, sous identité vérifiée, surveillance et attestations légales, mais réservé aux équipes dont le travail autorisé couvre la recherche avancée de vulnérabilités, le développement d'exploits ou la simulation d'attaque. S'y ajoutent, à compter du 1er septembre, des clés de sécurité matérielles obligatoires pour tous les comptes individuels du programme. Deux nuances sur les mesures. Le taux sort d'un banc d'essai dont OpenAI ne publie pas le protocole, la fiche technique du modèle étant annoncée pour plus tard. Et le modèle spécialisé ne domine pas partout : sur ExploitBench, dans le réglage standard limité à 300 tours, c'est GPT-5.6 Sol en accès Blue qui l'emporte, en consommant moins de jetons.
Source : OpenAI
Hugging Face et EleutherAI mesurent 14 systèmes d'OCR sur des pages de livres anciens
Combien coûte une nouvelle passe de reconnaissance de texte sur un fonds imprimé déjà numérisé, et avec quelle fidélité ? Hugging Face et EleutherAI ont publié le 10 août un classement qui s'y attaque, premier résultat du projet FineBooks. Sebastian Majstorovic et Daniel van Strien ont soumis 14 systèmes de reconnaissance optique de caractères à 2 165 pages de livres anciens, transcrites par des experts des projets IMPACT et BHL-Europe entre 2011 et 2012. En tête du tableau publié dans le billet, dots.mocr, un modèle de 3 milliards de paramètres, affiche 97,6 % d'exactitude au caractère sur la voie de lecture, celle qui tolère la modernisation des caractères anciens, pour 1,94 dollar les 1 000 pages de calcul sur l'infrastructure de Hugging Face. Le classement complet, plus large que l'extrait retenu dans le billet, plaçait ce jour-là un autre système, dots.ocr, très légèrement devant lui, à égalité statistique, les intervalles de confiance se recouvrant. Les auteurs bornent eux-mêmes leur mesure : six volumes, quatre langues — anglais, français, allemand et latin — composés en caractères de la famille antiqua, à l'exclusion du gothique Fraktur, des écritures non latines, des langues non européennes et des manuscrits. Ils ont volontairement limité le projet au livre, laissant de côté journaux et documents d'archives, et préviennent que leur tableau se lit en intervalles de confiance plutôt qu'en palmarès : en haut de classement, les écarts tiennent dans le bruit statistique.
Pourquoi c'est important
Pour qui paie la facture, le résultat tient dans deux lignes du tableau publié : dots.mocr y est le plus cher à 1,94 dollar les 1 000 pages, quand OvisOCR2 rend 96,9 % pour 0,46 dollar, soit quatre fois moins. Sur l'imprimé ancien, la qualité ne suit ni la taille des modèles ni le prix du calcul. Les auteurs mesurent par ailleurs chaque système deux fois, et l'écart instruit : sur la voie de lecture, dots.mocr laisse une cinquantaine de signes faux par page de 2 000 caractères ; sur la voie diplomatique, qui exige le s long et les ligatures d'origine, il en laisse une centaine. Leur réserve sur l'édition savante vise d'ailleurs un autre défaut que le déchiffrement, qu'ils jugent bon : la modernisation silencieuse de ce qu'une transcription savante doit conserver. Une bibliothèque qui envisage de reprendre l'OCR de ses collections y trouvera surtout un protocole rejouable, puisque le harnais d'évaluation est publié et que la mesure se refait sur son propre fonds.
Source : Hugging Face
OpenAI annonce un siège Premium à 125 dollars par mois pour ChatGPT Business
OpenAI a annoncé le 10 août un siège Premium pour ChatGPT Business, facturé 125 dollars par utilisateur et par mois, ou 100 dollars par utilisateur et par mois en facturation annuelle. Le siège Standard reste à 25 dollars par utilisateur et par mois, 20 dollars en facturation annuelle. Le produit n'est pas commercialisé : l'entreprise ouvre une liste d'attente réservée à qui est, ou sera, propriétaire d'un espace de travail Business, s'engage à prévenir les inscrits de la disponibilité et indique que certains pourront être retenus pour un accès anticipé. Aucune date de mise en service n'est donnée. Pour cette formule, OpenAI annonce cinq fois plus d'usage que la Standard, la suppression de la limite par tranche de cinq heures et des réinitialisations hebdomadaires qu'elle présente comme prévisibles ; les deux types de sièges peuvent coexister dans un même espace de travail, propriétaire et administrateurs pouvant convertir ou réaffecter. L'usage n'est pas illimité pour autant, l'annonce précisant qu'au-delà des plafonds inclus, l'entreprise peut acheter des crédits d'espace de travail partagés. Une promotion accompagne le lancement : les 10 000 premiers espaces de travail éligibles peuvent recevoir 100 dollars de crédits par siège Premium ajouté, dans la limite de cinq sièges, soit 500 dollars. Il faut s'inscrire avant le 20 août, mais l'inscription ne garantit pas les crédits à elle seule, puisqu'il faut ensuite acheter les sièges dans les trente jours qui suivent le lancement.
Pourquoi c'est important
Le rapport de un à cinq entre les deux tarifs oblige une direction à désigner nommément qui, dans l'équipe, justifie la formule chère : dix sièges Premium reviennent à 1 250 dollars par mois d'abonnement, contre 250 dollars pour les mêmes dix personnes en Standard. Dans les deux cas le chiffre est un plancher, le dépassement des plafonds inclus se payant en crédits supplémentaires. Une PME casablancaise qui voudrait bâtir un budget sur cette base butera surtout sur ce qui manque à l'annonce : OpenAI publie un tarif sans date de mise en service, et la fenêtre qui compte pour la promotion ne s'ouvre qu'au lancement, le 20 août ne fermant que l'inscription à la liste d'attente.
Source : OpenAI
Discovered Materials lève 9 millions de dollars pour chercher par agents logiciels des matériaux qui évacuent la chaleur des puces
Discovered Materials a annoncé le 10 août une levée d'amorçage de 9 millions de dollars, menée par Lightspeed India Partners, avec la participation de Y Combinator, dont la jeune pousse est issue, et de Peak XV Partners, ainsi que d'investisseurs providentiels parmi lesquels Paul Graham, Gokul Rajaram et Thariq Shihipar. Fondée par Advaith Sridhar, passé par les agents d'IA chez Persona AI et Luma Labs, et Akash Ramdas, docteur en science des matériaux de Stanford, elle s'attaque à un problème étroit : les puces d'IA chauffent, et leur empilement en trois dimensions bute sur des isolants qui conduisent mal la chaleur. Son dispositif fonctionne en deux temps, rapporte TechCrunch : des modèles d'Anthropic, placés dans un harnais maison, formulent des pistes de matériaux le long des directions de recherche que leur fixe Ramdas ; des modèles de physique entraînés par l'entreprise les filtrent ensuite par simulation. « Pendant sa thèse, il faisait peut-être 20 hypothèses par jour », raconte Sridhar au média à propos de son cofondateur. « Nous pouvons désormais en formuler des milliers par jour, en laissant ces agents tourner 24 heures sur 24 dans le cloud, pour explorer les pistes de recherche qu'il leur donne. » L'entreprise a mis en ligne le même jour un banc d'essai, Material Discovery Bench, qui mesure la capacité des modèles de pointe à trouver ces matériaux, et plusieurs centaines de structures candidates qu'ils ont fait émerger, prédites par le calcul et dont aucune n'a été fabriquée à ce jour.
Pourquoi c'est important
La conclusion que l'entreprise tire de son propre banc d'essai est plus rude que son communiqué : les modèles trouvent bien des candidats stables au calcul, mais échouent presque toujours à proposer une manière plausible de les fabriquer. Sur les plus de 500 matériaux sortis de ces essais, un seul a reçu d'évaluateurs calibrés par des experts la mention correspondant à une synthèse qu'on tenterait, et sa fabrication n'est encore qu'une tentative en cours. Le pari n'est donc pas d'éviter la paillasse. L'investisseur qui mène le tour situe l'avantage de la jeune pousse dans son laboratoire, capable de tester vite les candidats, et une part des fonds doit servir à l'agrandir ; Sridhar reconnaît de son côté qu'il faudra fabriquer ces matériaux en laboratoire humide, un processus qui, dit-il, ne peut pas être accéléré. Sur d'autres travaux que ce lot, l'entreprise affirme avoir mis au point ces trois derniers mois des matériaux thermiques égalant la performance de produits que les plus grands groupes chimiques ont mis des années à développer, sans en donner le détail.
Source : TechCrunch